Práce s daty nemusí být věda: Jak z nich vytěžit maximum?

Saša: Často si ani neuvědomujeme, že naše aplikace používají tisíce lidí 

19. 10. 2026
6 minut
 

Obrovské množství dat přináší i obrovské možnos­ti. Když je ale fir­ma neumí využít, může se o většinu z nich zbytečně připrav­it. Podle Jiřího Mareše, guild mas­tera pro oblast dat v České spořitel­ně, přit­om práce s nimi nemusí být výsadou spe­cial­istů. ​„Nemějte ambi­ci obsáh­nout všech­no najed­nou. Vyberte si mal­ou oblast, řešte v ní konkrét­ní úlo­hu a znalosti pak pos­tup­ně rozšiřu­jte,“ radí nejen kolegům na svých školeních.

Příleži­tost pro každého

Matem­at­ické vzdělání, znalost pro­gramování nebo roky zkušenos­tí? Nic z toho podle Jiřího pro začátek práce s daty potře­ba není. Na jeho workshopy v České spořitel­ně chodí kromě kolegů z datových týmů tře­ba i bankéři, kteří chtějí sami zjišťo­vat zají­mavé infor­ma­ce o klien­tech, nebo lidé z vedoucích poz­ic, kteří mají za cíl lépe porozumět prá­ci svých podřízených. 

Prin­cipy práce s daty se přit­om dají naučit poměrně rych­le. ​„Když u mě lidé absolvu­jí dvouden­ní školení a pak zač­nou nové znalosti použí­vat v praxi, do týdne už dokážou zák­lad­ní úlo­hy bez prob­lémů zvlád­nout sami. Pokud k téh­le čin­nos­ti nemá člověk vyloženě averzi a chce se to naučit, není to nic složitého,“ uklidňuje.

Hlavně mít jas­no

Jak Jiří zdůrazňu­je, pro každý start datové analýzy je nut­né hlavně znát svůj jas­ný cíl – bez toho fir­mě ani obrovské množství infor­ma­cí nic užitečného přinést nemusí: ​„Každé­mu bych nejdřív poradil: Přemýšlej nad tím, co chceš vlast­ně získat a co ti to dá, a až pak se snaž do samot­ných dat proniknout.“ Dobře to podle něj ukáza­la tře­ba práce na službě Zdravé finance, která klien­tům České spořitel­ny pomáhá udržo­vat přehled o svých výda­jích. ​

„Na začátku stála otáz­ka, kolik peněz utrácí napřík­lad za jíd­lo, služ­by nebo auta, a teprve potom přiš­lo na řadu hledání odpově­di v dat­e­ch získaných tře­ba při plateb­ních transakcích,“ přibližuje.

Začít v malém

Při samot­né přípravě dat není podle Jiřího nut­né zpra­cov­á­vat všech­no, co je k dis­pozi­ci. Mno­hem efek­tivnější je vybrat si menší oblast, svůj záběr          pos­tup­ně rozšiřo­vat a až pak dosáh­nout kom­plexního řešení. ​„Když tře­ba chceme zjis­tit počet nových klien­tů za rok, nejdřív si ukážeme, jak vůbec klien­ta najít, až pak zjistíme, odkdy u nás je, a pos­tup­ně i další infor­ma­ce skládáme dohro­mady,“ popisuje. 

Důležité je také data co nejdříve zkon­trolo­vat – při jejich ručním zadávání totiž může chy­ba vzni­knout vel­mi lehce. ​„Stačí u klien­ta, který je ve skutečnos­ti dítě, špat­ně zadat rok narození a v data­bázi z něj máte osmdesátiletého člově­ka,“ říká Jiří s úsměvem. V podob­ných pří­padech mohou pomoct i vel­mi jednoduché kon­troly. Stačí napřík­lad zobrazení nejnižších a nejvyšších hod­not nebo nas­tavení hran­ic, za který­mi už má    sys­tém zpozornět. 

Hledáme další nové talenty!

Správný nástroj ve správ­nou chvíli

Když je cíl jas­ný a data zkon­trolo­vaná, přichází na řadu vol­ba správného nástro­je. Ten by měl odpoví­dat přede­vším tomu, k čemu mají data nakonec sloužit. Menší fir­ma si tak může zcela vys­tačit s Excelem, ve kterém se dá řada úloh pomocí mak­er autom­a­ti­zo­vat. Sám Jiří uvádí přík­lad ze živ­ota: ​„Moje manžel­ka dělá účet­ní pro menší fir­mu, kde potře­bo­vali evi­dovat stav zásob. Připrav­il jsem jim v Excelu jednodu­chou aplikaci s pár tlačítky, která na pozadí děla­jí potřeb­né výpoč­ty, takže ji zvládne použí­vat i laik.“ 

Pokud jsou data uložená v data­bázi, ke slovu přichází tře­ba SQL – dota­zo­vací jazyk, který umí potřeb­né infor­ma­ce vyh­ledá­vat, fil­trovat, propo­jo­vat i různě zpra­cov­á­vat. ​„SQL je strašně moc­ný nástroj. Když máte data­bázi a znáte její struk­tu­ru, můžete si z ní vytáh­nout prak­ticky coko­liv,“ vysvětlu­je Jiří. Konkrét­ní data­báze i nástro­je, přes které se k nim přis­tupu­je, se sice mohou lišit, zák­lad­ní prin­cipy SQL ale zůstá­va­jí ste­jné. ​„Ve Spořitel­ně pracu­jeme s různý­mi relační­mi data­báze­mi, ale do budouc­na chceme zacho­vat jen cloudové Data­bricks,“ přibližuje. 

V ruk­ou AI

Jak Jiří také připomíná, řadu ruti­n­ních kroků při prá­ci s daty dnes může výrazně urych­lit umělá inteligence. Hodí se tře­ba při běžných kon­trolách, hledání nes­rov­nalostí, úpravách dat nebo zmiňo­vané tvor­bě vizual­iza­cí. ​„Není přit­om nut­né hle­dat jed­no speciál­ní řešení, s daty dnes umějí pra­co­v­at  v pod­statě všech­ny veře­jně dos­tup­né AI nástro­je.“ S jejich využitím se ale pojí i otáz­ka bezpečnos­ti, zvlášť pokud fir­ma pracu­je s citlivý­mi infor­ma­ce­mi. ​„Vzít klientská data a nahrát je do veře­jné AI by byl velký prob­lém,“                upo­zorňu­je. V bance pro­to pro prá­ci s nimi využí­va­jí vlast­ní zabezpečené prostředí. 

Na závěr pak Jiří zmiňu­je pravid­lo, které je pro prá­ci s AI asi nejdůležitější: samot­né přemýšlení by za člově­ka nikdy převzít neměla. ​„Když napřík­lad při pro­gramování neznám nějak­ou funkci, nechám si od AI pora­dit, co použít a jak to fun­gu­je. Neřeknu jí ale: Napiš mi celou aplikaci. Vznikla by pro mě černá skříň­ka a já bych nevěděl, co se děje na pozadí. Radím tedy se AI    dop­tá­vat, ale nedělat z ní autonom­ní stroj.“

Mrkněte také na další příběhy zaměstnanců Spořky